Oregon Üniversitesi'nden (UO) Dr. Stephen Fickas liderliğindeki ulaşım araştırmacıları, bisikletlilerin bir mobil uygulama aracılığıyla trafik sinyalleriyle iletişim kurmalarına olanak tanıyarak daha rahat yolculuklar sağlamak için çalışıyor.
Bu çok projeli araştırma çalışmasından çıkan en son rapor, mobil uygulama FastTrack ile çalışacak makine öğrenimi algoritmalarını tanıtıyor. Projenin daha önceki aşamalarında geliştirilen ve test edilen uygulama, bisikletçilerin Eugene, Oregon'daki yoğun bir bisiklet koridoru boyunca trafik sinyalleriyle pasif olarak iletişim kurmasına olanak tanıyor. Araştırmacılar, uygulamalarını eninde sonunda diğer şehirlerde de kullanıma sunmayı umuyorlar.
“Genel amaç, bisikletlilere şehrin sinyalli kavşaklarını daha güvenli ve daha verimli kullanmalarını sağlamaktır. Mevcut proje, zaman serisi tahminini ele almak için iki derin öğrenme algoritması olan LSTM ve 1D CNN'yi kullanmaya çalışıyor. Amaç, zaman serisi formatında önceki aşamaların geçmişi göz önüne alındığında, yaklaşan, harekete geçirilen bir trafik sinyalinin bir sonraki aşamasını tahmin etmektir. Sonuçlar bizi cesaretlendirdi," dedi Fickas.
En son çalışmaları, yine Ulusal Ulaşım ve Topluluklar Enstitüsü tarafından finanse edilen önceki iki projeye dayanıyor; bu projede Fickas ve ekibi, bisikletli insanların eller serbest konuşma yapmasına olanak tanıyan "Bike Connect" adlı bir donanım ve yazılım ürününü başarıyla geliştirip devreye aldı. Yaklaşan bir trafik sinyaline önceden bilgi vererek, sinyalin varışta yeşil olma olasılığını artırmak için hızlarını ve seyahat yönlerini kullanırlar.
2'de tamamlanan V2018X: Bisikletleri Karışıma Getirmek projesi, bisikletlilere telefonlarında kullanabilecekleri sanal bir çağrı düğmesi sağlamaya odaklandı. Bu proje sırasında araştırmacılar, çalışma koridorunda çalıştırılan sinyalden ayrıntılı gerçek zamanlı veriler topladılar. 2019'da tamamlanan Hızlı Yol: Bisikletlerin Akıllı Ulaşım Sistemine Katılmasına İzin Vermek projesi, daha çok "yeşil ışık" olarak anılan GLOSA (Yeşil Işıkla Optimize Edilmiş Hız Önerisi) bilgilerini gösteren, çalıştırılmayan sinyaller için gerçek zamanlı bir ekran geliştirdi. dalga." Ortak iken teknoloji sürücülere açık olan GLOSA, bisikletliler için yaygın olarak mevcut değildir. Bu gerçek zamanlı ekran (eller serbest görüntüleme için ideal olarak gidonun üzerine monte edilmiştir) bisikletlilere yeşil ışık yakmak için yavaşlamaları, hızlanmaları veya hızı korumaları konusunda gerçek zamanlı bilgiler sundu.
2021 projesi önceki çalışmalara dayanmaktadır:
- İlk aşamada etkinleştirilen sinyalden toplanan verileri, sinyal aşamalarını tahmin etmek amacıyla iki makine öğrenimi algoritmasını eğitmek ve test etmek için kullanır.
- Bisikletlilerin sürüş sırasında bu altyapı türlerinin her ikisiyle de karşılaşması muhtemel olduğundan, FastTrack uygulamasını hem çalıştırılmayan hem de çalıştırılmayan sinyalleri içerecek şekilde genişletmek için zemin hazırlıyor.
Makine öğrenimini birleştirme
Araştırmacılar iki ayrı makine öğrenimi algoritmasını keşfetmeyi seçtiler. Her ikisinin de zaman serisi tahmini konusunda iyi bir geçmişi var: Tek Boyutlu Evrişimli Sinir Ağları (kısaca 1D CNN) ve Uzun Kısa Süreli Bellek modelleri (kısaca LSTM).
Her algoritmanın etkinliğini ölçmek için üç ölçüm kullandılar:
- Hassasiyet şu soruyla ilgilidir: "Model, sürücünün yeşil ışığa geleceğini tahmin ettiğinde bu tahmin ne sıklıkla doğrudur?" Yüksek Hassasiyet puanı, modelin sürücünün yanlışlıkla yeşil beklemesi söylenerek frene basmasına eğilimli olmadığını söylüyor.
- Hatırlama şu soruyu sorar: "Sürücünün karşılaştığı tüm gerçek yeşil ışıklara rağmen model kaç tanesini doğru yakaladı?" Yüksek Geri Çağırma puanı, sürücünün çok fazla yeşili kaçırmadığını gösterir.
- Son olarak, Doğruluk basitçe doğru tahminlerin sayısıdır.
LSTM ve 1D CNN, her üç ölçümde de neredeyse aynı sonuçları elde etti. Araştırmacılar, zaman serisi tahmin algoritmalarının her biri için bir sonraki aşamayı yaklaşık %85 doğrulukla tahmin edebildiler.
Fickas, "Mevcut FastTrack uygulamamıza bir tahmin bileşeni ekleme açısından kabul edilebilir olma noktasında olduğumuza inanıyoruz" dedi. Bu, sabit zamanlı olmayan kavşaklar için yeşil dalga kabiliyetini açacaktır.
Sırada ne var: Veri kümesinin karmaşıklığını ve boyutunu artırmak
Öğrendiklerine dayanarak araştırmacıların sonraki adımlara yönelik planları şöyle:
- Daha geniş bir gün aralığına, belki de tüm bir sezona sahip bir veri kümesine erişin. (Şu anda ekibin gözü, veri çekmek için birden fazla etkinleştirilen kavşak içeren, bisiklet dostu bir koridor olan Portland, Oregon'daki "Better Naito" Parkway'de.) Tipik olarak, makine öğrenimi algoritmalarına bakıldığında daha fazla veri daha güçlü sonuçlara yol açar. .
- Tarih ve saati ve belki de hava durumunu da içeren çok değişkenli bir veri kümesine geçin. Bu, veri hazırlamada çok büyük bir değişiklik olmayacak ve dört mevsimin tamamını kapsayan tek bir modele olanak tanıyabilir.
FastTrack uygulaması, bisikletçinin yolundaki yaklaşan trafik sinyallerinden gerçek zamanlı bir yayın gerektirir. Daha eski ekipmanlara veya daha eski Trafik Yönetimine sahip şehirler Sistemler (TMS) bu feed'i sağlayamayabilir. Ancak Fickas ve ekibi iyimser. Şehirler eski ekipmanları değiştirip modern bir TMS getirdikçe, hem sabit hem de çalıştırılan kavşaklarda etkili olan ve bisiklet kullanan topluluklara yeşil dalga fırsatları sunan bir FastTrack uygulamasını tamamen kullanabilecekler.
ELE Zamanları
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsHindistan Tarımsal Artıklardan Doğrudan Hidrojen Üreten Teknolojiyi Yeniliyor
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsÇalışma 'Mavi Hidrojen'in İklim İçin Muhtemelen Kötü Olduğunu Söylüyor
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsHer İki Dünyanın En İyisi—Süper Bilgi İşlem Taleplerini Karşılamak İçin Klasik ve Kuantum Sistemleri Birleştirme
-
ELE Zamanlarıhttps://www.eletimes.com/author/eletimes-newsMouser, Texas Instruments ve Phoenix Contact'ın Tek Çift Ethernet Sitesini Sunuyor